计算机与现代化 ›› 2024, Vol. 0 ›› Issue (10): 74-79.doi: 10.3969/j.issn.1006-2475.2024.10.012
摘要: 提取图像中具有判别性的区域在细粒度图像分类中起着至关重要的作用。现有的细粒度图像分类方法忽视图像多尺度信息以及相邻空间位置信息交互作用,难以准确提取细微特征,并且传统的CNN方法捕捉长距离语义信息不足,提取图像全局信息能力欠缺。针对这些问题设计一种基于Res2Net和递归门控卷积模块的细粒度分类算法。该网络中,使用弱监督数据增强网络(WS-DAN)进行数据扩展防止过拟合,将Res2Net作为特征提取网络,用以提取不同尺度的图像信息,增加网络层的感受野,同时在该网络中引入递归门控卷积模块,用来进一步融合信息并且实现高阶特征交互,提高网络建模能力。该方法分别在CUB-200-2011、Stanford Dogs和FGVC-Aircraft这3个公开数据集上达到了90.36%、93.1%和94.3%的准确率,能够有效地提取图像细微特征并实现分类。
中图分类号: